TOMA DE DECISIN BAJO INCERTIDUMBRE

MTODOS PARA LA TOMA DE DECISIN

CRITERIO DEL VALOR ESPERADO

BAJO INCERTIDUMB RE
(Con probabilidades)

CRITERIO DEL VALOR ESPERADO DE LA INFORMACIN PERFECTA ANLISIS DE SENSIBILIDAD

CRITERIO DEL VALOR ESPERADO DE LA INFORMACIN MUESTRAL

Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

Con probabilidades

Son modelos en los cuales cada alternativa de decisin se encuentra influenciada por los distintos estados de la naturaleza, a los cuales se les pueden asignar una distribucin de probabilidades conocida, debido a que se conoce su comportamiento basado en datos histricos.

Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

Con probabilidades

ARBOL DE DECISIONES
Es una herramienta grfica que se utiliza para analizar problemas complejos que involucran decisiones secuenciales, en la cual se diagraman las alternativas de decisin disponibles y los estados de la naturaleza que pueden ocurrir. Esta formado por:
Decisione s posibles 1 3 2 2 3

Estados de la naturaleza

Nodos de decisin (de accin) 2 Nodos de probabilidad 3 Ramas (Decisiones posibles y estados de la P (naturaleza) ej ) 0

P(e ) = P( e ) + P( e ) + ... + P( e ) = 1
n j =1 j 1 2 n

Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

CRITERIO DEL VALOR ESPERADO

Es el promedio ponderado de todos los valores posibles que toma la alternativa i en cualquiera de los estados de la naturaleza j , en donde los coeficientes de ponderacin corresponden a las probabilidades de que los estados de la naturaleza ocurran.

Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

CRITERIO DEL VALOR ESPERADO

El Valor esperado de la alternativa de decisin ai se define como:
VE ( ai ) = P ( e j ) R ( ai , e j )
n j =1

Donde: P(ej) = Probabilidad de que ocurra el j-simo estado de la naturaleza. R(ai,ej) = Resultado para la i-sima alternativa si ocurre el j-simo estado de la naturaleza.

Si R(ai,ej) son ganancias, se selecciona la accin que corresponda a: mx {VE ( ai )}

ai

Si R(ai,ej) son prdidas, se selecciona la accin que corresponda a: mn {VE ( ai )}

ai

Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

CRITERIO DEL VALOR ESPERADO DE LA INFORMACIN PERFECTA

Para el clculo del valor esperado de la informacin perfecta (sin el costo de la experimentacin) se requiere ponderar el resultado mximo para cada estado de la naturaleza con la probabilidad de ese estado. Es la mxima cantidad que se esta dispuesto a pagar para mejorar el conocimiento del estado de la naturaleza que ocurrir o tambin para tener la informacin perfecta.
Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

CRITERIO DEL VALOR ESPERADO DE LA INFORMACIN PERFECTA
El Valor esperado de la informacin perfecta se define como:

VEIP = VEcIP VEsIP

Donde: VEcIP = Ganancia esperada mxima con informacin perfecta. VEsIP = Ganancia esperada mxima sin informacin perfecta (Mx VE(ai)).

Para obtener el VEcIP, se tiene:

VEcIP = {mx R ( ai , e j ) P ( e j )}
n j =1

VEIP es igual al arrepentimiento esperado Prof. FRANCY mnimo TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

ANLISIS DE SENSIBILIDAD

Es una ayuda para el que toma la decisin debido a que describe cmo los cambios en las probabilidades del estado de la naturaleza afectan la alternativa de decisin recomendada. Se utiliza un procedimiento grfico para dos estados de la naturaleza:
VE ( a1 ) = p[ mxR( a1 , e1 ) ] + (1 p )[ mnR ( a1 , e2 ) ] VE ( a2 ) = p[ mxR( a2 , e1 ) ] + (1 p )[ mnR ( a2 , e2 ) ] VE ( an ) = p[ mxR( an , e1 ) ] + (1 p )[ mnR ( an , e2 ) ]

Se desarrollan las ecuaciones que muestran el VE de las alternativas de decisin i cmo una funcin de la probabilidad del estado de la naturaleza j . Luego se grafican dichas ecuaciones.
Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

Con probabilidades
CONCEPTOS DE PROBABILIDAD

ESPACIO MUESTRAL Conjunto de todos experimento Aleatorio

los

posibles

resultados

de

un

EVENTOS INDEPENDIENTES La ocurrencia de uno de ellos no influye en la ocurrencia del resto EVENTOS MUTUAMENTE EXCLUYENTES No pueden ocurrir simultneamente PARTICION Coleccin de eventos mutuamente exclusivos (por pares) cuya unin es el espacio muestral. Prof. FRANCY
TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

Con probabilidades
CONCEPTOS DE PROBABILIDAD

A y B eventos INDEPENDIENTES P (A ) = P (A) P ()

A y B eventos MUTUAMENTE EXCLUYENTES P (A ) = P (A) + P ()

PROBABILIDAD CONDICIONAL P (A|) = P (A B) / P ()

Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

VALOR ESPERADO DE LA INFORMACIN MUESTRAL

Es frecuente hacer pruebas adicionales (experimentacin) para mejorar las estimaciones preliminares de las probabilidades de los respectivos estados de la naturaleza dadas por las probabilidades a priori. Estas estimaciones mejoradas se llaman probabilidades a posteriori.

Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

VALOR ESPERADO DE LA INFORMACIN MUESTRAL

Paso 1: Probabilidades a priori:

P ( mi )
P v j mi

Paso 2: Probabilidades condicionales: Paso 3: Probabilidades conjuntas: Paso 4: Probabilidades absolutas: Paso 5: Probabilidades a posteriori:

) ( )

P ( mi , v j ) = P v j mi * P ( mi )

P ( v j ) = P ( mi , v j )
n i =1

P ( mi v j ) = P ( mi , v j ) / P ( v j )
Prof. FRANCY TONONI

TOMA DE DECISIN BAJO INCERTIDUMBRE

En general se tiene la siguiente frmula conocida como el teorema de Bayes: n P ( mi v j ) = P v j mi * P ( mi ) / P v j mk * P ( mk )

VALOR ESPERADO DE LA INFORMACIN MUESTRAL

[ (

k =1

[ (

Paso 6: Valor esperado de la informacin muestral:

VEIM = VEcIM VEsIM mxima

VEsIM = Ganancia esperada sin informacin muestral (Mx VE(ai)).

Qu tanto estara dispuesto a pagar por una Investigacin de Mercado o algn otro estudio que permita revisar o actualizar las probabilidades de los estados de la naturaleza. EFICIENCIA DE LA INFORMACION MUESTRAL Eff = VEIM / VEIP
Prof. FRANCY TONONI